《Biosystems Engineering》：Deep learning based behavioural monitoring and analysis of grazing sheep
编辑推荐：
绵羊行为识别研究利用20Hz、10Hz和4Hz动觉传感器数据构建包含啃食、站立、行走和躺卧四种行为的数据库，提出基于RNN的深度学习模型。实验表明4Hz数据分类准确率仅下降2.37%，验证低采样率有效性，同时数据平衡技术提升少数行为分类性能。该模型实现精准放牧监控，兼顾计算效率与设备续航。
胡天慈|李金星|严瑞瑞|乔治·沃隆佐斯|郑文欣|陈新文|郭雷峰
新疆农业大学计算机与信息工程学院，乌鲁木齐，830052，中国
摘要
在自然牧场中监测羊的行为对精准畜牧业和动物福利具有重要意义。尽管已有许多研究开发了用于识别羊行为的算法，但在实际应用和有效模型部署方面仍存在局限性。本研究使用运动传感器收集了放牧羊的行为数据，构建了一个包含四种关键行为（吃草、站立、行走和躺下）的行为数据集，并分别以20 Hz、10 Hz和4 Hz三种采样频率进行采集。提出了一种基于循环神经网络（RNN）的深度学习架构来对这些行为进行分类。通过不同的RNN模块评估了模型的性能，并系统地探讨了采样频率对分类准确性的影响。结果表明，采样频率对行为分类有显著影响。在20 Hz数据上训练的模型取得了最高的准确性。然而，在4 Hz数据上也获得了令人满意的性能，其分类准确性仅比20 Hz模型降低了2.37%。这一发现表明，较低频率的数据可以有效地用于行为识别，同时显著降低可穿戴设备的功耗。此外，在模型训练过程中结合数据平衡技术可以提高分类性能，特别是对于代表性不足的行为。
引言
历史上，在自然牧场中监测自由放牧羊的行为一直是一项具有挑战性的任务，但在精准畜牧业（PLF）领域却受到了越来越多的关注。关于羊行为的研究日益增多，这凸显了其在解决一系列实际问题方面的潜力。在自然环境中观察羊的行为具有双重目的：确保动物福利（Spigarelli等人，2020年）和保护牧民的经济利益（Ross等人，2015年）。有效的监测能够及时发现意外问题，有助于对羊进行积极的健康管理，并减少生产者的损失。因此，行为监测已成为PLF中的一个关键问题，从而催生了与信息技术紧密结合的各种解决方案。
虽然一般的动物行为研究较为广泛，但专门针对放牧羊的研究仍然相对有限。现有的方法通常遵循两个主要方向。第一种是使用可穿戴技术，为动物配备特定的传感器，如运动传感器（Dutta等人，2015年；Greenwood等人，2017年；Jin等人，2022年）、声音采集器（Chelotti等人，2016年；Wang等人，2021年）和压力传感器（Zehner等人，2017年）。随后，利用收集的数据来预测行为。第二种方法依赖于计算机视觉，通过在战略位置放置摄像头并应用目标检测和语义分割等技术来进行行为分析（Hu等人，2023年）。这两种方法各有优缺点。基于传感器的系统能够实现实时监测，且不受空间限制，这在草原环境中是一个优势，但它们在电池寿命和数据传输方面存在实际挑战。相反，基于视觉的检测虽然提供了更清晰直观的羊行为理解，但其适用范围通常仅限于封闭区域，因为在开放、无结构的放牧环境中效果会减弱。
鉴于机器视觉明显的环境限制，基于传感器的方法因其更高的时间精度而越来越受到青睐。近年来，研究人员系统地研究了使用运动传感器进行行为分析的方法，优化了诸如传感器放置（Barwick等人，2018年，2020年；Cao等人，2022年；Mansbridge等人，2018年）、数据采集频率（Walton等人，2018年）、时间窗口（Decandia等人，2018年，2021年；Fogarty等人，2020年）、特征提取方法（Alvarenga等人，2016年；Giovanetti等人，2017年；Hu等人，2020年）和分类算法（Alvarenga等人，2020年；Marais等人，2014年）等因素。不同研究中观察到的行为范围和定义各不相同，但通常包括吃草和非吃草、反刍和咀嚼、进食、站立、行走和奔跑等活动。代表性示例展示了实现的多样性。Nóbrega等人（2020年）开发了一种低功耗的可穿戴项圈，配备了微控制器和机器学习算法，用于监测葡萄园中的羊的行为。Ikurior等人（2021年）使用三轴加速度传感器来区分牧场中羊的日间和夜间活动模式，使用随机森林算法在分类吃草、行走和休息活动时达到了89.6%的准确性。Kleanthous等人（2022年）应用基于卷积神经网络的迁移学习与加速度数据相结合的方法，区分了吃草、活跃和非活跃状态，强调了稳健的数据捕获、标记和硬件异质性的重要性。在这些研究中，机器学习算法在分类收集的行为数据中发挥了关键作用。分类的准确性在很大程度上取决于采样频率、特征工程和窗口大小等因素。尽管之前的工作取得了令人满意的准确性，但在实际应用中仍面临多个挑战。高采样率会增加能耗和数据传输量，限制了可穿戴设备的长期使用。此外，对固定时间窗口的依赖限制了实际场景中的实时响应能力。
为了解决这些相互关联的挑战并促进羊行为识别的实际应用，本研究提出了一种基于低频数据的深度学习算法。该模型旨在实现高效的行为分类和统计分析，支持及时决策。假设是神经网络架构能够从开放放牧系统的低频运动传感器数据中自动提取特征，通过减少数据的特征提取时间，构建特征和筛选特征的工作量也将相应减少。该算法旨在提高算法模型在实际应用中的效率，特别是在羊行为分类方面。
与以往的研究不同，该算法专门针对实际应用进行了优化，有效利用了羊的低频行为数据。由于它是为草原放牧条件设计的，因此该算法专注于准确分类关键的行为，包括吃草、站立、行走和躺下。为了验证这种方法，进行了比较研究，并构建了一个基于运动传感器的实时预测系统，为评估部署提供了坚实的框架。这项研究不仅推进了羊行为监测的实际应用，还为未来的精准放牧策略提供了宝贵的数据资源。
实验与数据采集
该研究在中国内蒙古自治区呼伦贝尔市Xeltala小镇的一片草地上进行（大约位于东经120.00435度，北纬49.34809度）。指定的研究区域长40米，宽30米，用围栏分成三个相等的部分，每个部分尺寸为40米×10米。每个部分都配备了天然草和饮水池，在研究期间羊可以自由吃草和饮水。考虑到需要使用视频
降采样数据的统计分析
具体的比较结果见表4。此外，表5总结了不同频率下降采样数据的最大值和最小值。关于测量单位，传感器的配置角速度范围为±500° s?1，角加速度范围为±8 g。角速度数据以rad s?1表示，加速度数据以m s?2表示。
降采样后，数据的平均值和方差
讨论
选取了2022年实验中两天的预测行为数据来展示日常活动模式。如图13所示，羊在一天中的特定时间段表现出相似的行为模式，表明它们有固定的日常规律。然而，在2023年的验证实验中，同一天内羊的行为分布表现出更大的变化。这种差异可能由多种因素造成。
首先，羊之间的相互干扰可能
结论
本研究最初在不同频率下构建了羊的行为数据集，以调查不同数据频率对羊行为分类的影响。研究结果表明，使用低频的4 Hz数据仍然可以实现有效的分类，符合实际应用的要求。随后，提出了一种新的快速预测方法用于羊行为识别，消除了手动特征工程的需要
CRediT作者贡献声明
胡天慈：撰写——原始草稿，可视化，软件，数据管理。李金星：撰写——审阅与编辑，可视化。严瑞瑞：撰写——审阅与编辑，方法论。乔治·沃隆佐斯：撰写——审阅与编辑。郑文欣：撰写——审阅与编辑。陈新文：撰写——审阅与编辑，监督，资金获取。郭雷峰：撰写——审阅与编辑，监督，项目管理，资金获取。
伦理声明
所有动物实验程序均获得了新疆动物科学院动物饲养质量标准研究所实验动物护理和使用委员会的批准（批准编号IAHOS2022-027）。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了国家重点研发计划（2021YFD1300503）、宁夏自治区重点研发计划（2022BBF02021）、内蒙古自治区重大科技计划（2020ZD0004）以及中国农业科学院科技创新项目（CAAS-ASTIP-2023-AII）和中央引导地方科技发展专项基金（ZYYD2022C14）的资助。
